MSFANet: a multi-scale feature aggregation network for tobacco pest recognition
Shun He · Sifan Li · Xinjian Li 等 11 人
提出MSFANet多尺度特征聚合网络，实现复杂田间背景下烟草害虫的自动识别。
多尺度金字塔池化MSPP、分层特征融合HFFB、辅助分类头与Focal Loss
模型准确率97.63%、参数量仅1.21M，在随机初始化模型中精度最高且参数最少。
可探索轻量多尺度网络在边缘设备部署及跨作物害虫迁移识别，结合类不平衡与复杂背景的鲁棒性研究。
该论文提出轻量化多尺度特征聚合网络，在烟草害虫识别上取得97%以上精度且参数量仅1.21M，方法新颖、数据扎实，对智慧农业虫情监测有实用价值，值得进入每日精选。
引言 烟草是全球重要的经济作物，虫害侵染是导致其产量和品质下降的主要因素之一。然而，烟草害虫种类繁多，形态和尺度差异显著。田间采集的图像常受到复杂背景干扰和类别不平衡的影响，给自动化识别带来了相当大的挑战。现有深度学习方法在此类条件下进行多尺度特征提取和判别性特征表示的能力仍然有限。为应对这些挑战，本研究提出了一种用于烟草害虫识别的多尺度特征聚合网络（Multi-Scale Feature Aggregation Network，MSFANet），并将其形式化为单标签图像分类任务。方法 针对尺度变化和复杂田间背景，开发了两个面向任务的模块。多尺度金字塔池化（Multi-Scale Pyramid Pooling，MSPP）模块通过并行特征提取和自适应跨分支融合，聚合多个感受野的上下文信息。分层特征融合模块（Hierarchical Feature Fusion Block，HFFB）随后通过空间门控和部分卷积对特征表示进行细化。训练过程中引入辅助分类头和Focal Loss，分别提供中间监督和处理类别不平衡。结果 在包含13个烟草相关害虫及天敌类别的数据集上评估了MSFANet的有效性。模型的准确率、精确率、召回率和F1分数分别为97.63%、97.89%、97.59%和97.71%，参数量为1.21 M。在随机初始化训练的模型中，MSFANet以最少的参数量取得了最高准确率。讨论 通过结合多尺度上下文聚合与分层特征细化，MSFANet在复杂田间条件下实现了对13个烟草相关类别的准确分类。所提方法为烟草田间害虫的自动化和精准监测提供了有效的技术支持，对推进精准害虫管理和智慧农业的更广泛发展具有实用价值。